Reinforcement Learning mit KI: Markov-Entscheidungsprozesse, Q-Learning und Policy Gradients

Reinforcement Learning mit KI: Markov-Entscheidungsprozesse, Q-Learning und Policy Gradients

MODUL 01: DAS RL-PROBLEM

• Agent, Umgebung, Belohnung
• Markov-Entscheidungsprozesse
• Wert- und Politikbegriff
• Live-Demo: ein Agent lernt durch Versuch und Irrtum
• Ihre Ausgangslage: Wo könnte RL bei Ihnen passen?

MODUL 02: WERTBASIERTE VERFAHREN

• Bellman-Gleichungen
• Q-Learning und temporale Differenz
• Übung: Sie trainieren Q-Learning an einem Gridworld
• Der Aha-Moment: der Agent findet den Weg allein
• Exploration versus Exploitation

MODUL 03: POLICY-BASIERTE VERFAHREN

• Policy Gradients und REINFORCE
• Actor-Critic-Ansätze
• Wann Policy-Methoden überlegen sind
• Übung: Sie skizzieren einen Actor-Critic-Ablauf
• Stabil lernen statt schwanken

MODUL 04: MODERNE ENTWICKLUNGEN

• Deep RL: DQN und PPO im Überblick
• RLHF: RL beim Training von LLMs
• Übung: Sie ordnen ein Problem einem RL-Ansatz zu
• Der Aha-Moment: RLHF macht ChatGPT hilfreich
• Wo RL heute wirklich wirkt

MODUL 05: ANWENDUNG

• Fallstudie: einen RL-Ansatz für ein Problem wählen
• Grenzen und Fallstricke von RL
• Wann sich der Aufwand lohnt
• Vom Konzept zum Prototyp
• Ihr Fahrplan ins Reinforcement Learning